'str' object has no attribute 'decode'の回避方法

ロジスティック回帰を行いたく、

python3.7
clf = LogisticRegression()
clf.fit(X_train, y_train)

としたところ、

python3.7
  File "C:\Users\JohnDoe\Anaconda3\lib\site-packages\sklearn\utils\optimize.py", line 243, in _check_optimize_result
    ).format(solver, result.status, result.message.decode("latin1"))

AttributeError: 'str' object has no attribute 'decode'

が出てきてしまい先に進みません。何か考えられる原因などはありますでしょうか。

なお、h5pyのバージョンは2.10.0、Kerasのバージョンは2.8.0、Tensorflowのバージョンは1.14.0です。

不足している情報などあればお伝えください。よろしくお願いします。

追記
指摘があったため、以下にコード全体を載せます。参考にしていたサイトはIkemen Mas Kot氏のhttps://qiita.com/maskot1977/items/b2cfb369f60ad02887b0です。

python3.7
# 数値計算やデータフレーム操作に関するライブラリをインポートする
import numpy as np
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
import csv

# 図やグラフを図示するためのライブラリをインポートする。
#%matplotlib inline
import matplotlib.pyplot as plt
from pandas import plotting

# 機械学習関連のライブラリ群

from sklearn.model_selection import train_test_split # 訓練データとテストデータに分割
from sklearn.metrics import confusion_matrix # 混合行列

from sklearn.decomposition import PCA #主成分分析
from sklearn.linear_model import LogisticRegression # ロジスティック回帰
from sklearn.neighbors import KNeighborsClassifier # K近傍法
from sklearn.svm import SVC # サポートベクターマシン
from sklearn.tree import DecisionTreeClassifier # 決定木
from sklearn.ensemble import RandomForestClassifier # ランダムフォレスト
from sklearn.ensemble import AdaBoostClassifier # AdaBoost
from sklearn.naive_bayes import GaussianNB # ナイーブ・ベイズ
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA# 線形判別分析
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis as QDA # 二次判別分析

# データを読み込む
df = pd.read_csv('./data/wine.csv')

# 標準化
scaler = StandardScaler()
scaler.fit(np.array(df))
df_std = scaler.transform(np.array(df))
df_std = pd.DataFrame(df_std,columns=df.columns)

# qualityが6未満は0,6以上は1に分類
df["class"] = [0 if i < 6 else 1 for i in df['quality'].tolist()]

# col_name取得
col_name = df.columns
#print(col_name[:12])

# それぞれに与える色を決める。
color_codes = {0:'#0000FF', 1:'#FF0000'}
colors = [color_codes[x] for x in df['class'].tolist()]

# 散布図行列の作成(全要素の一対一の相関関係)
# 2変数に強い相関があるなら片方に絞る
# 一定値しかとらない変数は削除
# plotting.scatter_matrix(df.dropna(axis=1)[df.columns[:-1]], figsize=(20, 20), color=colors, alpha=0.5) 
# plt.show()

"""
# 主成分分析
dfs = df.apply(lambda x: (x-x.mean())/x.std(), axis=0).fillna(0) # データの正規化
pca = PCA()
pca.fit(dfs.iloc[:, :12])
# データを主成分空間に写像 = 次元圧縮
feature = pca.transform(dfs.iloc[:, :12])
#plt.figure(figsize=(6, 6))
plt.scatter(feature[:, 0], feature[:, 1], alpha=0.5, color=colors)
plt.title("Principal Component Analysis")
plt.xlabel("The first principal component")
plt.ylabel("The second principal component")
plt.grid()
plt.show()
"""

X = df.iloc[:, 1:12] # 説明変数(Column1は明らかに関係ないので外す)
print(X.columns)
y = df.iloc[:, 13] # 目的変数
print(X)
print(y)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4) # 訓練データ・テストデータへのランダムな分割(40%がテスト60%が訓練)

clf = LogisticRegression() #モデルの生成
clf.fit(X_train, y_train) #学習

# 正解率 (train) : 学習に用いたデータをどのくらい正しく予測できるか
clf.score(X_train,y_train)

# 正解率 (test) : 学習に用いなかったデータをどのくらい正しく予測できるか
clf.score(X_test,y_test)